HISTOGRAM RATIO FEATURES FOR COLOR TEXTURE CLASSIFICATION

Transcrição

1 HISTOGRAM RATIO FEATURES FOR COLOR TEXTURE CLASSIFICATION Intodução Histogamas são uma feamenta amplamente utilizada e impotante na análise e pocessamento de imagem Recentemente, histogamas de co tem ecebido gande atenção em áeas como a ecupeação de imagem e vídeo baseada em conteúdo 1

2 Intodução Existem váios métodos paa a epesentação da infomação contida num histogama Alguns usam o histogama dietamente Neste caso, a compaação se dá po meio de difeenças absolutas, intesecção, estatística qui-quadado, etc. Outos caacteizam o histogama medindo algumas de suas popiedades Picos pincipais, momentos, etc. Neste caso, a compaação pode se ealizada como quando compaamos caacteísticas extaídas a pati de uma imagem. Po exemplo, utilizando a distância euclidiana de vetoes de atibutos Poposta Este tabalho apesenta um método paa a classificação da textua coloida que utiliza o histogama co de uma imagem e o epesenta atavés de suas coocoências Não confundi com matizes de coocoência O método poposto extai caacteísticas de popoção (atio featues) como paes de baas do histogama combinadas com as elações de contagem (count atios) coespondentes 2

3 Poposta Passo a passo Convesão da imagem paa o espaço de co xyy Discetização dos valoes paa facilita os cálculos Constução de um histogama de co 1D Seleção dos pontos pincipais do histogama, atio featues e count atios Diagama do método Taining imagem histogama xyy colo cia Histogama 1D histogam atio featues database Testing imagem histogama xyy colo cia Histogama 1D histogam atio featues compaação esultados 3

4 Histogama de co xyy Convesão paa o espaço de co xyy X 0.607R 0.174G 0200B Y 0.299R 0.587G 0.114B Z 0.066G 1.111B X x X Y Z Y y X Y Z xy is coância Y é a luância x y Y Convesão paa histogama 1D Nomalmente, histogamas de imagens multidimensionais são espasos (pouco povoados) Po esse motivo e paa eduzi os equisitos computacionais, o histogama nd é convetido em um histogama 1D Pimeiamente, fazemos a discetização dos valoes xyy paa facilita os cálculos Discetizados paa valoes inteios de 0 a 100 4

5 Convesão paa histogama 1D Calculando os índices do novo histogama índices = x + y*q + Y*Q 2 Sendo que Q=100 é o númeo de níveis de quantização usado Em seguida, fazemos a contagem do númeo de ocoências de cada combinação xyy Índices com contagens menoes que 0,1% do númeo de pixels na imagem são descatados Convesão paa histogama 1D Resultado da convesão: dois vetoes B: veto contendo os índices do pincipais bins do histogama 1D coloido C: veto contendo os valoes do pincipais bins do histogama 1D coloido

6 Histogam atio featues Após a convesão paa histogama 1D, as caacteísticas apopiadas do histogama são selecionadas As caacteísticas são definidas po paes de valoes do histogama e os coespondentes azões de contagem Pimeiamente, paa a extação das caacteísticas temos que pocua os bins de histogama comuns a váias amostas de imagem Intesecção dos histogamas Histogam atio featues Paa cada pa de bins existente, calcula as azões ente as contagens, sendo b l e b m as posições de dois bins do histogama c l e c m os valoes dos espectivos bins do histogama k é o númeo de histogamas Em esumo: um pa de bins é identificado pelas posições e o intevalo de contagens 6

7 Histogam atio featues H11 : class1, sample1 B { b, b, b } {10,150,185} C { c, c, c } {( c, c ),( c, c ),( c, c )} (0) (1) (0) (1) (0) (1) {(5000,5100),(6000,5800),(6700,6550)} {5000 / 6000,5100 / 5800} 0.83 {5000 / 6000,5100 / 5800} H12 : class1, sample {5000 / 6700,5100 / 6550} 0.75 {5000 / 6700,5100 / 6550} 0.78 {6000 / 6700,5800 / 6550} 0.89 {6000 / 6700,5800 / 6550} R1 {((10,150),[0.83,0.88]),((10,185), [0.75,0.78]),((150,185),[0.89,0.9])} Histogam atio featues B { b, b, b } {8,130,185} C { c, c, c } {( c, c ),( c, c ),( c, c )} (0) (1) (0) (1) (0) (1) {(4000,4100),(5000,4800),(5700,5000)} H21 : class2, sample {4000 / 5000,4100 / 4800} 0.8 {4000 / 5000,4100 / 4800} {4000 / 5700,4100 / 5000} 0.7 {4000 / 5700,4100 / 5000} 0.82 H21 : class2, sample {5000 / 5700,4800 / 5000} 0.88 {5000 / 5700,4800 / 5000} 0.96 R2 {((8,130),[0.8,0.85]),((8,185), [0.7,0.82]),((130,185),[0.88,0.96])} 7

8 Algoitmo de Teinamento Dado um conjunto de imagens de teinamento Calcule o histogama de cada imagem de uma deteada classe Calcule a intesecção de todos os histogamas da classe Calcule as atio featues do histogama esultante Algoitmo de Classificação As atio featues de uma única amosta são calculadas como descito paa a intesecção dos histogamas A difeença é que temos apenas um valo e não mais o mínimo e máximo 8

9 Algoitmo de Classificação Cada imagem de teinamento é testada conta as atio featues de cada classe Basicamente, é feita a contagem de quantas atio featues de uma amosta coincidem com as de uma classe (bins) e estão dento do intevalo e de uma classe classe amosta A amosta deve esta dento do intevalo da classe Devem se iguais Algoitmo de Classificação Ao final, uma amosta é atibuída a classe de maio contagem 9